論文の概要: PPIM: Pennes Physics-Informed Mamba for Heat-Source-Conditioned 3D Bioheat Simulation

• arxiv url: http://arxiv.org/abs/2609.06869v1
• Date: Sun, 06 Sep 2026 22:56:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.328278
• Title: PPIM: Pennes Physics-Informed Mamba for Heat-Source-Conditioned 3D Bioheat Simulation
• Title（参考訳）: PPIM:ペンス物理インフォームド・マンバによる熱源型3次元バイオヒートシミュレーション
• Abstract要約: 3次元バイオヒートシミュレーションは生体組織の過渡的な温度分布を予測することを目的としている。 マイクロ波アブレーションによる局所的な熱源条件下での3次元ペンスバイオヒートシミュレーションについて検討した。
• 参考スコア（独自算出の注目度）: 4.395404005298121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Three-dimensional bioheat simulation aims to predict transient temperature distributions in biological tissue and is commonly modeled using the Pennes bioheat equation, which combines thermal diffusion, perfusion-mediated heat loss, and external heat generation. In this study, we consider a controlled 3D Pennes bioheat simulation under a localized heat-source condition inspired by microwave ablation (MWA). To evaluate neural approximation performance, we compare three neural partial differential equation (PDE) solvers under the same controlled simulation: a spatial Fourier-feature physics-informed neural network (PINN), a generic PINNMamba temporal subsequence model, and Pennes Physics-Informed Mamba (PPIM). PPIM builds on the temporal subsequence model by incorporating conditioned heat-source input and Pennes-aware state-space model (SSM) decay initialization. All three neural models are trained under the same conditions with the same Pennes residual, and an explicit finite-difference method (FDM) solution is used only as the numerical reference. In a representative 600~s run, PPIM achieved the lowest MAE, relative $L_1$ error, and relative $L_2$ error among the evaluated neural solvers. Error maps further showed that the remaining PPIM errors were more concentrated near the heat-source region than across the rest of the domain. These results indicate that PPIM is effective for approximating the FDM reference final temperature field in this controlled simulation. The source code is available at https://github.com/muvYun/PPIM.
• Abstract（参考訳）: 3次元バイオヒートシミュレーションは生体組織の過渡温度分布を予測することを目的としており、熱拡散、灌流による熱損失、外部熱発生を組み合わせたペンネスのバイオヒート方程式を用いてモデル化されている。 本研究ではマイクロ波アブレーション(MWA)にインスパイアされた局所的な熱源条件下での3次元ペンスバイオヒートシミュレーションについて検討した。 ニューラル近似性能を評価するために、同じ制御されたシミュレーションの下で、3つのニューラル偏微分方程式(PDE)を比較検討した。空間フーリエ・フューチャー物理学インフォームドニューラルネットワーク(PINN)、一般的なPINNMamba時間サブシーケンスモデル、Pennes Physics-Informed Mamba(PPIM)である。 PPIMは条件付き熱源入力とPennes-Aware State-space Model (SSM)崩壊初期化を組み込んだ時間列モデルに基づく。 3つのニューラルモデルは、同じペンヌ残差を持つ同じ条件下で訓練され、明示的な有限差分法(FDM)が数値参照としてのみ使用される。 PPIMは600~sで最下位のMAE, 相対的な$L_1$エラー, 相対的な$L_2$エラーを達成した。 誤差マップは、残りのPPIM誤差がドメインの他の領域よりも熱源領域付近に集中していることも示している。 これらの結果から,PPIMはFDM基準温度場の近似に有効であることが示唆された。 ソースコードはhttps://github.com/muvYun/PPIMで入手できる。

関連論文リスト

• Physics-Informed Neural Operator for Warm-Starting Background-Decomposed and Preconditioned PSFD: Enabling Scalable 3-D EUV Mask Simulation [0.8747606955991706]
  本研究では,EUVリソグラフィにおける電磁散乱問題に対する擬スペクトル周波数領域方程式を訓練した物理インフォームド・ニューラル演算子(PINO)を提案する。 PINOは、事前計算されたEMフィールドソリューションを使わずに、トレーニングイテレーション毎にランダムにサンプリングされたLithoBenchライブラリから約16,000のマスク設計でトレーニングされている。 The PINO surrogate model yields a mean absolute error of about 7, times 10-3$ for the scattered intensity of hold-out mask pattern relative to the reference PSFD solution。
  論文  参考訳（メタデータ） (2026-07-28T06:31:21Z)
• Faster Thermal Profiling of a Lunar Rover with Machine Learning Adapted Finite Difference Model [3.3836709236378746]
  本稿では,内部熱源を有する簡易月面ローバーの熱解析のためのPIMLフレームワークを提案する。 微分可能な有限差分熱シミュレータをフレームワーク内に組み込んで物理的一貫性を強制する。 その結果,PIMLフレームワークは粗いメッシュ物理モデルと比較して予測精度を50%, 39%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-05-26T20:11:06Z)
• Physics-Informed Machine Learning for Pouch Cell Temperature Estimation [5.435523531334183]
  本稿では,定常状態の温度分布を効率的に推定するための物理インフォームド・機械学習(PIML)フレームワークを提案する。 PIMLアプローチは、制御熱伝達方程式を直接ニューラルネットワークの損失関数に統合し、高忠実度予測を可能にする。 その結果、PIMLモデルはより高速に収束し、データ駆動モデルよりも平均2乗誤差を49.1%削減し、極めて高い精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-16T02:58:10Z)
• Revisiting Heat Flux Analysis of Tungsten Monoblock Divertor on EAST using Physics-Informed Neural Network [13.813339681786644]
  核融合装置EASTにおける熱フラックスの推定は極めて重要な課題である。 FEMは計算のグリッドベースのサンプリングに依存しており、計算的に非効率であり、リアルタイムのシミュレーションを行うのが困難である。 本稿では,この課題に対処する新しい物理情報ニューラルネットワーク(PINN)を提案する。
  論文  参考訳（メタデータ） (2025-08-05T12:42:02Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Learning Structure-Guided Diffusion Model for 2D Human Pose Estimation [71.24808323646167]
  ニューラルネットワークを用いてキーポイントのヒートマップを学習するための新しいスキームである textbfDiffusionPose を提案する。 トレーニング中、キーポイントはノイズを加えることでランダム分布に拡散され、拡散モデルはノイズ付きヒートマップから地中構造熱マップを復元する。 実験では、広く使用されているCOCO、CrowdPose、AI Challengeデータセット上で1.6、1.2、1.2mAPの改善による、私たちのスキームの長所が示されている。
  論文  参考訳（メタデータ） (2023-06-29T16:24:32Z)
• Surrogate Modeling of Melt Pool Thermal Field using Deep Learning [0.0]
  我々は,レーザーパワー,レーザー速度,時間ステップという3つのパラメータを入力として,溶融プールの3次元熱場の挙動を予測できる畳み込みニューラルネットワークを訓練する。 このネットワークは、温度場に対して相対的なルート平均正方形誤差を2%から3%とし、融解プール面積の予測において平均80%から90%のユニオンスコアに対するインターセクションを達成している。
  論文  参考訳（メタデータ） (2022-07-25T15:27:16Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。